Análisis Complejidad Electoral 2019: Municipios

Resumen de resultados y Mapas


INFOTEC-Maestría en Ciencia de Datos e Información

Autor: Miguel David Alvarez Hernández (mdalvarezh@gmail.com)

In [1]:
import datetime
now = datetime.datetime.now()
print ("Última versión:")
print (now.strftime("%Y-%m-%d %H:%M:%S"))
Última versión:
2020-09-19 17:36:39

Setup

In [2]:
import pandas as pd  
import numpy as np
import pandas_profiling
from itertools import combinations 
from dateutil.parser import parse 
import matplotlib as mpl
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
import seaborn as sns
import plotly
import plotly.express as px
In [3]:
#se define diccionario de colores
colors = dict({'G0':'blue',
                  'G1':'green',
                  'G2': 'orange',
                  'G3': 'grey',
                  'G4': 'red',
                  'G5': 'magenta'})

Importación de resultados

In [4]:
#se carga el dataframe con los resultados de 7 indicadores (todos los PCA considerados en k-medias):
resultados_ind7 = pd.read_csv("C:/Users/miguel.alvarez/Google Drive/INFOTEC/Proyecto/Code-Data/Mun/3_Agrupamiento-Kmeans/Resultados_Mun_Indic_PCA_Kmeans_Atip_ind7.csv", dtype={'EDO':int,'MUN':int})

#se carga el dataframe con los resultados de 7 indicadores, con log en LNE y Densidad_LNE (todos los PCA considerados en k-medias):
resultados_ind7_tf = pd.read_csv("C:/Users/miguel.alvarez/Google Drive/INFOTEC/Proyecto/Code-Data/Mun/3_Agrupamiento-Kmeans/Resultados_Mun_Indic_PCA_Kmeans_Atip_ind7_tf.csv", dtype={'EDO':int,'MUN':int})
#se aplica np.exp rn LNE y Densidad_LNE para volver a las magnitudes originales
resultados_ind7_tf['log(LNE)'] = np.floor(np.exp(resultados_ind7_tf['log(LNE)']))
resultados_ind7_tf['log(Densidad_LNE)'] = np.exp(resultados_ind7_tf['log(Densidad_LNE)'])

#renombramos algunas columnas
resultados_ind7_tf=resultados_ind7_tf.rename(columns={"log(LNE)": "LNE", "log(Densidad_LNE)": "Densidad_LNE"})
resultados_ind7_tf
Out[4]:
EDO NOMBRE_ESTADO MUN NOMBRE_MUNICIPIO NUM_SECC_RUR LNE Densidad_LNE Razon_LNE_PE TC_LNE_2019 Coef_Var_LNE ... Autocorr_LNE CP1 (ICE principal) CP2 (segundo ICE) CP3 (tercer ICE) CP4 CP5 CP6 CP7 TCE_municipal Atipicidad
0 1 AGUASCALIENTES 10 SAN FRANCISCO DE LOS ROMO 3 34916.0 3566.024547 0.989272 0.037498 0.015085 ... 0.755939 -0.995331 0.745533 -1.389633 0.434649 0.105639 -0.259502 -0.196240 G3 Tipica
1 1 AGUASCALIENTES 8 SAN JOSE DE GRACIA 4 6914.0 46.444421 0.991803 0.000289 0.008345 ... 0.237061 -3.318903 -0.619987 0.723898 0.193995 -0.969311 -0.651817 -1.034857 G0 Tipica
2 1 AGUASCALIENTES 9 TEPEZALA 6 15544.0 2478.675412 0.990635 0.005108 0.011777 ... 0.344567 -2.757468 0.081456 -0.908153 1.115722 -0.558179 -0.004696 -0.705979 G0 Tipica
3 1 AGUASCALIENTES 11 EL LLANO 6 15066.0 1505.749552 0.991016 -0.003373 0.012239 ... 0.504020 -2.523745 0.260810 -0.738536 0.676101 -0.383889 -0.048412 -0.126217 G0 Tipica
4 1 AGUASCALIENTES 2 ASIENTOS 11 34222.0 1484.722551 0.989080 0.001874 0.013432 ... 0.374738 -2.490247 0.453746 -0.450692 1.507864 -0.496284 -0.207700 -0.497406 G0 Tipica
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
2453 32 ZACATECAS 45 TEPECHITLAN 13 6958.0 36.438707 0.983523 0.066677 0.019408 ... 0.959378 0.566375 -0.038837 1.137560 -0.402981 0.304617 0.000411 -0.066702 G3 Tipica
2454 32 ZACATECAS 14 GENERAL FRANCISCO R. MURGUIA 32 17372.0 14.595272 0.986450 0.082705 0.022769 ... 0.984897 1.080969 1.300230 2.208190 -0.057168 -0.342807 0.496959 -0.236424 G1 Tipica
2455 32 ZACATECAS 44 TABASCO 16 12527.0 53.144872 0.983221 0.100307 0.029823 ... 0.993335 1.911600 0.178614 0.950089 0.065079 -0.393423 0.058249 -0.192537 G2 Tipica
2456 32 ZACATECAS 9 CHALCHIHUITES 10 8222.0 599.837116 0.982861 0.075052 0.021097 ... 0.988608 0.851114 0.072100 -0.200368 0.061119 0.545074 0.389442 -0.072882 G3 Tipica
2457 32 ZACATECAS 11 TRINIDAD GARCIA DE LA CADENA 3 2778.0 15.815887 0.972699 0.113381 0.035958 ... 0.960965 2.898677 -2.089888 1.224056 0.281973 0.117065 -0.394883 -0.152423 G2 Tipica

2458 rows × 21 columns

In [5]:
#se carga el dataframe con los resultados de 8 indicadores (todos los PCA considerados en k-medias):
resultados_ind8 = pd.read_csv("C:/Users/miguel.alvarez/Google Drive/INFOTEC/Proyecto/Code-Data/Mun/3_Agrupamiento-Kmeans/Resultados_Mun_Indic_PCA_Kmeans_Atip_ind8.csv", dtype={'EDO':int,'MUN':int})

#se carga el dataframe con los resultados de 8 indicadores, con log en LNE y Densidad_LNE (todos los PCA considerados en k-medias):
resultados_ind8_tf = pd.read_csv("C:/Users/miguel.alvarez/Google Drive/INFOTEC/Proyecto/Code-Data/Mun/3_Agrupamiento-Kmeans/Resultados_Mun_Indic_PCA_Kmeans_Atip_ind8_tf.csv", dtype={'EDO':int,'MUN':int})
#se aplica np.exp rn LNE y Densidad_LNE para volver a las magnitudes originales
resultados_ind8_tf['log(LNE)'] = np.floor(np.exp(resultados_ind8_tf['log(LNE)']))
resultados_ind8_tf['log(Densidad_LNE)'] = np.exp(resultados_ind8_tf['log(Densidad_LNE)'])

#renombramos algunas columnas
resultados_ind8_tf=resultados_ind8_tf.rename(columns={"log(LNE)": "LNE", "log(Densidad_LNE)": "Densidad_LNE"})
resultados_ind8_tf
Out[5]:
EDO NOMBRE_ESTADO MUN NOMBRE_MUNICIPIO NUM_SECC_RUR LNE Densidad_LNE Razon_LNE_PE TC_LNE_2019 Coef_Var_LNE ... CP1 (ICE principal) CP2 (segundo ICE) CP3 (tercer ICE) CP4 CP5 CP6 CP7 CP8 TCE_municipal Atipicidad
0 1 AGUASCALIENTES 10 SAN FRANCISCO DE LOS ROMO 3 34916.0 3566.024547 0.989272 0.037498 0.015085 ... -1.214070 0.513032 -1.450945 0.431519 0.182643 -0.259314 -0.187243 0.010094 G1 Tipica
1 1 AGUASCALIENTES 8 SAN JOSE DE GRACIA 4 6914.0 46.444421 0.991803 0.000289 0.008345 ... -3.422301 -1.284015 0.577059 0.648052 -0.969611 -0.638014 -1.147983 0.037785 G2 Tipica
2 1 AGUASCALIENTES 9 TEPEZALA 6 15544.0 2478.675412 0.990635 0.005108 0.011777 ... -2.820073 -0.517094 -1.072523 1.362320 -0.340752 0.004996 -0.799488 0.107345 G2 Tipica
3 1 AGUASCALIENTES 11 EL LLANO 6 15066.0 1505.749552 0.991016 -0.003373 0.012239 ... -2.557359 -0.295472 -0.890254 0.975709 -0.418065 -0.044813 -0.157649 -0.013624 G2 Tipica
4 1 AGUASCALIENTES 2 ASIENTOS 11 34222.0 1484.722551 0.989080 0.001874 0.013432 ... -2.449705 -0.118811 -0.643405 1.811638 -0.307746 -0.200200 -0.563693 -0.009320 G2 Tipica
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
2453 32 ZACATECAS 45 TEPECHITLAN 13 6958.0 36.438707 0.983523 0.066677 0.019408 ... 0.294566 0.126657 1.201204 -0.512943 0.306917 -0.001819 -0.039371 0.061847 G1 Tipica
2454 32 ZACATECAS 14 GENERAL FRANCISCO R. MURGUIA 32 17372.0 14.595272 0.986450 0.082705 0.022769 ... 0.770249 1.514170 2.214195 0.063605 -0.312969 0.501606 -0.285044 0.033742 G3 Tipica
2455 32 ZACATECAS 44 TABASCO 16 12527.0 53.144872 0.983221 0.100307 0.029823 ... 2.207745 0.543961 0.993419 0.054510 -0.291653 0.063391 -0.248878 -0.062676 G0 Tipica
2456 32 ZACATECAS 9 CHALCHIHUITES 10 8222.0 599.837116 0.982861 0.075052 0.021097 ... 0.723186 0.265904 -0.141626 -0.185856 0.667093 0.385281 -0.014308 -0.006761 G1 Tipica
2457 32 ZACATECAS 11 TRINIDAD GARCIA DE LA CADENA 3 2778.0 15.815887 0.972699 0.113381 0.035958 ... 3.712017 -1.462585 1.366209 -0.046268 0.413535 -0.393388 -0.178391 -0.035299 G0 Tipica

2458 rows × 22 columns

Rankings

Escenario 1: (7 indicadores)

In [6]:
#con pandas_profiling se crea una interface para visualizar un resumen del dataframe de los resultados
#resultados_ind7.profile_report()
In [7]:
#se ordenan y obtienen los 10 municipios por nivel de complejidad (descendente en CP1) 
ranking_mun_top10_ind7 = resultados_ind7.sort_values(by='CP1 (ICE principal)', ascending=False).head(10)
#se guarda el ranking
ranking_mun_top10_ind7.to_csv(r'Resultados_Mun_ranking-top10_ind7.csv', index = None)
ranking_mun_top10_ind7
Out[7]:
EDO NOMBRE_ESTADO MUN NOMBRE_MUNICIPIO NUM_SECC_RUR LNE Densidad_LNE Razon_LNE_PE TC_LNE_2019 Coef_Var_LNE ... Autocorr_LNE CP1 (ICE principal) CP2 (segundo ICE) CP3 (tercer ICE) CP4 CP5 CP6 CP7 TCE_municipal Atipicidad
218 8 CHIHUAHUA 66 URUACHI 10 4527.0 2.490662 0.946017 0.239595 0.072941 ... 0.967471 9.123487 -2.215320 -2.808010 4.057677 -0.088879 -0.123571 -0.828773 G4 Atípica en ICE principal
1355 20 OAXACA 329 SAN PEDRO TIDAA 0 649.0 148.056274 0.969378 0.275049 0.077157 ... 0.803436 8.288180 -1.299935 -2.106306 1.556413 3.043909 -0.242302 -1.881171 G4 Atípica en ICE principal
1384 20 OAXACA 216 SAN JUAN TABAA 0 831.0 1138.040489 0.935902 0.183761 0.065257 ... 0.901514 8.148385 -2.790393 -4.448603 4.525223 -1.764466 -0.036856 -0.125737 G4 Atípica en ICE principal
644 14 JALISCO 63 MEZQUITIC 6 13993.0 13.184356 0.973196 0.197826 0.059857 ... 0.990074 6.035038 -0.811246 -0.977717 1.168603 1.692697 -0.077204 -0.694476 G4 Atípica en ICE principal
203 8 CHIHUAHUA 9 BOCOYNA 11 20100.0 10.127167 0.964964 0.169693 0.052948 ... 0.984161 5.577355 -1.154429 -1.180228 2.190071 0.271218 -0.016991 -0.416178 G4 Atípica en ICE principal
953 19 NUEVO LEON 10 CARMEN 1 28495.0 2675.641052 0.981918 0.201864 0.059656 ... 0.996570 5.524838 0.533804 -1.408197 -0.047458 2.376117 -0.875770 -0.866271 G4 Atípica en ICE principal
2348 31 YUCATAN 45 KOPOMA 1 1983.0 984.759958 0.976657 0.190276 0.057503 ... 0.957363 5.476894 -0.526796 -1.299381 0.511392 1.838166 -0.344985 -0.758000 G4 Atípica en ICE principal
1912 26 SONORA 28 NACORI CHICO 2 1400.0 0.706490 0.963629 0.169591 0.050944 ... 0.948658 5.474518 -1.533917 -1.760966 1.770467 0.038201 0.233423 -0.550615 G4 Atípica en ICE principal
1233 20 OAXACA 212 SAN JUAN PETLAPA 1 1833.0 21.270366 0.951743 0.134282 0.047927 ... 0.936991 5.369622 -2.272973 -2.671965 2.908095 -1.457825 0.415495 0.084266 G4 Atípica en ICE principal
263 8 CHIHUAHUA 41 MAGUARICHI 4 1179.0 1.714871 0.952501 0.126074 0.050196 ... 0.892534 5.242651 -2.300749 -2.596468 3.165763 -1.129509 0.228967 0.227203 G4 Atípica en ICE principal

10 rows × 21 columns

In [8]:
#se obtienen los municipios de mayor complejidad (mayor CP1) para cada una de las 32 entidades
idx_rank_mun = resultados_ind7.groupby(['EDO'])['CP1 (ICE principal)'].transform(max) == resultados_ind7['CP1 (ICE principal)']
ranking_mun_edo = resultados_ind7[idx_rank_mun]
ranking_mun_edo.to_csv(r'Resultados_Mun_ranking-edo_ind7.csv', index = None)
ranking_mun_edo
Out[8]:
EDO NOMBRE_ESTADO MUN NOMBRE_MUNICIPIO NUM_SECC_RUR LNE Densidad_LNE Razon_LNE_PE TC_LNE_2019 Coef_Var_LNE ... Autocorr_LNE CP1 (ICE principal) CP2 (segundo ICE) CP3 (tercer ICE) CP4 CP5 CP6 CP7 TCE_municipal Atipicidad
0 1 AGUASCALIENTES 10 SAN FRANCISCO DE LOS ROMO 3 34917.0 3566.024547 0.989272 0.037498 0.015085 ... 0.755939 -1.061899 0.788043 -0.837586 -0.614461 -0.088128 -0.782747 -0.238578 G1 Tipica
15 2 BAJA CALIFORNIA 5 PLAYAS DE ROSARITO 2 97429.0 2955.130305 0.987343 0.008070 0.016110 ... 0.379459 -2.167449 0.214728 -1.676119 0.530533 0.602326 -0.351570 -0.469365 G0 Tipica
20 3 BAJA CALIFORNIA SUR 2 MULEGE 17 40805.0 5.033360 0.982451 0.078356 0.024389 ... 0.993423 1.175422 -0.056690 0.763084 0.650421 -0.197069 0.104089 0.012749 G1 Tipica
22 4 CAMPECHE 9 ESCARCEGA 15 40540.0 1995.116156 0.983640 0.062954 0.018421 ... 0.981631 0.390423 0.603500 0.256897 0.263294 -0.701957 -0.468560 -0.021996 G1 Tipica
49 5 COAHUILA 11 GENERAL CEPEDA 15 9058.0 3.835069 0.981156 0.150514 0.041165 ... 0.993209 3.558620 -0.253778 0.403788 0.662202 1.005318 -0.216383 -0.675076 G4 Tipica
70 6 COLIMA 2 COMALA 6 16735.0 197.491963 0.987999 0.092363 0.027588 ... 0.993854 1.319199 -0.031352 0.458706 -0.542846 0.624380 0.163602 -0.127867 G1 Tipica
188 7 CHIAPAS 67 PANTEPEC 4 7905.0 334.804474 0.964301 0.096242 0.037119 ... 0.921378 3.250912 -1.481859 -1.621123 1.839524 -1.007953 0.223055 0.217911 G4 Tipica
218 8 CHIHUAHUA 66 URUACHI 10 4527.0 2.490662 0.946017 0.239595 0.072941 ... 0.967471 9.123487 -2.215320 -2.808010 4.057677 -0.088879 -0.123571 -0.828773 G4 Atípica en ICE principal
267 9 CIUDAD DE MEXICO 9 MILPA ALTA 0 107273.0 2559.563059 0.989102 0.060115 0.018995 ... 0.987600 0.047830 1.191585 -0.487247 -0.879661 -0.040115 0.154908 0.106648 G1 Atípica en segundo ICE
287 10 DURANGO 2 CANELAS 13 3052.0 3.307285 0.973873 -0.039345 0.035912 ... 0.663295 -0.156193 -1.783369 -1.145648 2.414186 0.278424 -0.413229 2.175652 G0 Tipica
343 11 GUANAJUATO 38 TARANDACUAO 5 10228.0 1665.709526 0.985132 0.096366 0.027085 ... 0.990484 1.481549 0.257302 -0.174174 -0.454729 0.156796 -0.315920 -0.251385 G4 Tipica
401 12 GUERRERO 66 TLALIXTAQUILLA DE MALDONADO 6 5323.0 1267.135966 0.978397 0.077967 0.023497 ... 0.924983 1.212898 -0.355420 -0.527878 0.333798 -0.696741 -0.132061 -0.152505 G4 Tipica
493 13 HIDALGO 12 ATOTONILCO DE TULA 9 34627.0 863.785662 0.987539 0.097736 0.030188 ... 0.994246 1.574044 0.320367 0.338636 -0.274581 0.737942 -0.113524 -0.136706 G4 Tipica
644 14 JALISCO 63 MEZQUITIC 6 13993.0 13.184356 0.973196 0.197826 0.059857 ... 0.990074 6.035038 -0.811246 -0.977717 1.168603 1.692697 -0.077204 -0.694476 G4 Atípica en ICE principal
693 15 MEXICO 113 VILLA DEL CARBON 13 33869.0 349.571708 0.986171 0.128891 0.035177 ... 0.989150 2.488996 0.206357 0.575095 0.100089 1.057219 -0.106733 -0.547772 G4 Tipica
835 16 MICHOACAN 57 NAHUATZEN 1 20601.0 2450.712917 0.985485 0.120289 0.037233 ... 0.994141 2.509190 0.516052 -0.783045 -0.583876 0.948217 -0.567580 -0.265094 G4 Tipica
900 17 MORELOS 9 HUITZILAC 5 15191.0 319.822381 0.982867 0.093586 0.027848 ... 0.992501 1.653664 -0.285246 0.018427 -0.130613 0.096955 0.207367 -0.107396 G4 Tipica
941 18 NAYARIT 4 BAHIA DE BANDERAS 7 110771.0 777.359198 0.985425 0.099617 0.030069 ... 0.996931 1.688774 0.615219 0.010859 0.041514 0.601994 0.464893 -0.127012 G4 Tipica
953 19 NUEVO LEON 10 CARMEN 1 28495.0 2675.641052 0.981918 0.201864 0.059656 ... 0.996570 5.524838 0.533804 -1.408197 -0.047458 2.376117 -0.875770 -0.866271 G4 Atípica en ICE principal
1355 20 OAXACA 329 SAN PEDRO TIDAA 0 649.0 148.056274 0.969378 0.275049 0.077157 ... 0.803436 8.288180 -1.299935 -2.106306 1.556413 3.043909 -0.242302 -1.881171 G4 Atípica en ICE principal
1595 21 PUEBLA 53 CHIGMECATITLAN 0 1069.0 246.634063 0.974683 -0.028182 0.037841 ... 0.664427 0.126064 -1.888194 -1.904924 1.596879 0.522934 -0.091663 2.082874 G0 Atípica en ICE principal
1802 22 QUERETARO 10 EL MARQUES 8 126227.0 468.618879 0.985441 0.115217 0.034710 ... 0.996815 2.245678 0.637774 0.063820 0.207335 1.022719 0.562885 -0.224358 G4 Tipica
1805 23 QUINTANA ROO 9 TULUM 4 33040.0 493.369677 0.985168 0.044512 0.020097 ... 0.840957 -0.124101 -0.329287 -0.158362 -0.075581 -0.014750 0.273097 0.150400 G1 Tipica
1837 24 SAN LUIS POTOSI 47 VILLA DE ARRIAGA 15 12671.0 42.776017 0.988238 0.113151 0.033942 ... 0.997096 2.061287 0.088895 0.942729 -0.010616 1.148638 -0.213294 -0.287846 G4 Tipica
1879 25 SINALOA 8 ELOTA 33 31068.0 21.322511 0.986226 0.119608 0.034963 ... 0.998336 2.313851 0.432141 1.800222 1.229714 1.008063 -0.707351 -0.424297 G2 Atípica en ICE principal
1912 26 SONORA 28 NACORI CHICO 2 1400.0 0.706490 0.963629 0.169591 0.050944 ... 0.948658 5.474518 -1.533917 -1.760966 1.770467 0.038201 0.233423 -0.550615 G4 Atípica en ICE principal
1963 27 TABASCO 16 TEAPA 13 40126.0 396.487565 0.985047 0.068630 0.020716 ... 0.962392 0.555407 0.086433 0.613898 0.171216 -0.187682 0.111171 -0.044322 G1 Tipica
1997 28 TAMAULIPAS 14 GUERRERO 0 2421.0 466.383156 0.989060 -0.066692 0.048145 ... 0.759098 -0.480014 -1.166343 -1.197001 0.488893 2.607666 -0.579175 3.458238 G0 Tipica
2036 29 TLAXCALA 16 IXTENCO 0 5340.0 1089.473478 0.985932 0.080316 0.026840 ... 0.971024 1.140396 -0.092062 -0.306575 -0.698369 0.299638 -0.001914 0.041589 G1 Tipica
2274 30 VERACRUZ 107 MIAHUATLAN 1 3286.0 133.502548 0.982124 0.136631 0.042341 ... 0.929624 3.242966 -0.599505 -0.523789 -0.036727 1.315145 0.106864 -0.449413 G4 Tipica
2348 31 YUCATAN 45 KOPOMA 1 1983.0 984.759958 0.976657 0.190276 0.057503 ... 0.957363 5.476894 -0.526796 -1.299381 0.511392 1.838166 -0.344985 -0.758000 G4 Atípica en ICE principal
2457 32 ZACATECAS 11 TRINIDAD GARCIA DE LA CADENA 3 2779.0 15.815887 0.972699 0.113381 0.035958 ... 0.960965 3.059160 -1.073151 -0.872196 0.842564 -0.248571 0.300834 -0.133138 G4 Tipica

32 rows × 21 columns

Animación de la proyección de los municipios en el espacio de las CP (tipología en color):

In [9]:
eti=['NOMBRE_ESTADO','NUM_SECC_RUR', 'LNE', 'Densidad_LNE', 'Razon_LNE_PE', 'TC_LNE_2019', 'Coef_Var_LNE', 'Autocorr_LNE', 'CP1 (ICE principal)', 'CP2 (segundo ICE)', 'CP3 (tercer ICE)', 'TCE_municipal', 'Atipicidad']
#3-d scatter plot con plotly
fig = px.scatter_3d(resultados_ind7, 
                    x='CP1 (ICE principal)', 
                    y='CP2 (segundo ICE)', 
                    z='CP3 (tercer ICE)',
              color='TCE_municipal',
                    color_discrete_map={
                  'G0':'blue',
                  'G1':'green',
                  'G2': 'orange',
                  'G3': 'grey',
                  'G4': 'red',
                  'G5': 'magenta'},
                    hover_name='NOMBRE_MUNICIPIO',
                   hover_data = eti)
fig.update_traces(mode='markers', marker_line_width=1, marker_size=3)
fig.update_layout(scene = dict(
                    xaxis_title='CP1 (ICE principal)',
                    yaxis_title='CP2 (segundo ICE)',
                    zaxis_title='CP3 (tercer ICE)'),
                  title="Proyección de los municipios en el espacio CP1-CP2-CP3 (7 indicadores)",
                 legend_orientation="h")
fig.show()
#salvar animación en html
fig.write_html("C:/Users/miguel.alvarez/Google Drive/INFOTEC/Proyecto/Code-Data/Mun/4_Resumen-Mapas/Pyplotly_Proyeccion3d_Mun_ind7.html")

Animación de la proyección de los municipios en el espacio de las CP (atipicidad en color):

In [10]:
eti=['NOMBRE_ESTADO','NUM_SECC_RUR', 'LNE', 'Densidad_LNE', 'Razon_LNE_PE', 'TC_LNE_2019', 'Coef_Var_LNE', 'Autocorr_LNE', 'CP1 (ICE principal)', 'CP2 (segundo ICE)', 'CP3 (tercer ICE)', 'TCE_municipal', 'Atipicidad']
#3-d scatter plot con plotly
fig = px.scatter_3d(resultados_ind7, 
                    x='CP1 (ICE principal)', 
                    y='CP2 (segundo ICE)', 
                    z='CP3 (tercer ICE)',
                    color='Atipicidad',
                    hover_name='NOMBRE_MUNICIPIO',
                    hover_data = eti)
fig.update_traces(mode='markers', marker_line_width=1, marker_size=3)
fig.update_layout(scene = dict(
                    xaxis_title='CP1 (ICE principal)',
                    yaxis_title='CP2 (segundo ICE)',
                    zaxis_title='CP3 (tercer ICE)'),
                  title="Proyección de los municipios en el espacio CP1-CP2-CP3 (7 indicadores)",
                 legend_orientation="h")
fig.show()
#salvar animación en html
fig.write_html("C:/Users/miguel.alvarez/Google Drive/INFOTEC/Proyecto/Code-Data/Mun/4_Resumen-Mapas/Pyplotly_Proyeccion3d_Mun_Atip_ind7.html")


Escenario 2: (7 indicadores, con previa transformación log en LNE y Densidad_LNE)

In [11]:
#con pandas_profiling se crea una interface para visualizar un resumen del dataframe de los resultados
#resultados_ind7_tf.profile_report()
In [12]:
#se ordenan y obtienen los 10 municipios por nivel de complejidad (descendente en CP1) 
ranking_mun_top10_ind7_tf = resultados_ind7_tf.sort_values(by='CP1 (ICE principal)', ascending=False).head(10)
#se guarda el ranking
ranking_mun_top10_ind7_tf.to_csv(r'Resultados_Mun_ranking-top10_ind7_tf.csv', index = None)
ranking_mun_top10_ind7_tf
Out[12]:
EDO NOMBRE_ESTADO MUN NOMBRE_MUNICIPIO NUM_SECC_RUR LNE Densidad_LNE Razon_LNE_PE TC_LNE_2019 Coef_Var_LNE ... Autocorr_LNE CP1 (ICE principal) CP2 (segundo ICE) CP3 (tercer ICE) CP4 CP5 CP6 CP7 TCE_municipal Atipicidad
218 8 CHIHUAHUA 66 URUACHI 10 4526.0 2.490662 0.946017 0.239595 0.072941 ... 0.967471 8.835628 -4.520494 2.723452 3.409693 -0.047553 -0.825096 -0.837729 G2 Atípica en ICE principal
1355 20 OAXACA 329 SAN PEDRO TIDAA 0 648.0 148.056274 0.969378 0.275049 0.077157 ... 0.803436 7.896820 -3.877488 -0.267774 1.642548 -2.937458 0.741465 -1.868540 G2 Atípica en ICE principal
1384 20 OAXACA 216 SAN JUAN TABAA 0 831.0 1138.040489 0.935902 0.183761 0.065257 ... 0.901514 7.543589 -5.954501 0.309245 4.833990 2.108159 0.422380 -0.111085 G2 Atípica en ICE principal
644 14 JALISCO 63 MEZQUITIC 6 13992.0 13.184356 0.973196 0.197826 0.059857 ... 0.990074 5.959238 -1.698495 0.993077 1.090562 -1.789368 -0.796648 -0.713459 G2 Atípica en ICE principal
203 8 CHIHUAHUA 9 BOCOYNA 11 20100.0 10.127167 0.964964 0.169693 0.052948 ... 0.984161 5.505804 -1.880676 1.727148 1.910496 -0.361813 -0.930710 -0.436331 G2 Atípica en ICE principal
953 19 NUEVO LEON 10 CARMEN 1 28495.0 2675.641052 0.981918 0.201864 0.059656 ... 0.996570 5.481769 -0.521725 -1.822998 1.235666 -2.244379 -0.070993 -0.830623 G2 Atípica en ICE principal
1912 26 SONORA 28 NACORI CHICO 2 1399.0 0.706490 0.963629 0.169591 0.050944 ... 0.948658 5.258097 -3.655798 2.611515 0.658298 -0.386625 -0.871291 -0.570928 G2 Atípica en ICE principal
2348 31 YUCATAN 45 KOPOMA 1 1982.0 984.759958 0.976657 0.190276 0.057503 ... 0.957363 5.222477 -2.101629 -1.045318 0.953712 -1.693800 0.742638 -0.735398 G2 Atípica en ICE principal
220 8 CHIHUAHUA 29 GUADALUPE Y CALVO 28 30092.0 3.531175 0.972140 0.169257 0.050542 ... 0.990358 5.086638 -0.423911 2.714789 1.580095 -1.072392 -0.320264 -0.605116 G2 Atípica en ICE principal
1233 20 OAXACA 212 SAN JUAN PETLAPA 1 1832.0 21.270366 0.951743 0.134282 0.047927 ... 0.936991 5.005834 -4.258480 1.645932 2.446175 1.468075 -0.555082 0.059738 G2 Atípica en ICE principal

10 rows × 21 columns

In [13]:
#se obtienen los municipios de mayor complejidad (mayor CP1) para cada una de las 32 entidades
idx_rank_mun = resultados_ind7_tf.groupby(['EDO'])['CP1 (ICE principal)'].transform(max) == resultados_ind7_tf['CP1 (ICE principal)']
ranking_mun_edo_tf = resultados_ind7_tf[idx_rank_mun]
ranking_mun_edo_tf.to_csv(r'Resultados_Mun_ranking-edo_ind7_tf.csv', index = None)
ranking_mun_edo_tf
Out[13]:
EDO NOMBRE_ESTADO MUN NOMBRE_MUNICIPIO NUM_SECC_RUR LNE Densidad_LNE Razon_LNE_PE TC_LNE_2019 Coef_Var_LNE ... Autocorr_LNE CP1 (ICE principal) CP2 (segundo ICE) CP3 (tercer ICE) CP4 CP5 CP6 CP7 TCE_municipal Atipicidad
0 1 AGUASCALIENTES 10 SAN FRANCISCO DE LOS ROMO 3 34916.0 3566.024547 0.989272 0.037498 0.015085 ... 0.755939 -0.995331 0.745533 -1.389633 0.434649 0.105639 -0.259502 -0.196240 G3 Tipica
15 2 BAJA CALIFORNIA 5 PLAYAS DE ROSARITO 2 97428.0 2955.130305 0.987343 0.008070 0.016110 ... 0.379459 -2.107258 0.346382 -1.183732 1.829191 -0.412471 -0.998649 -0.468928 G0 Tipica
20 3 BAJA CALIFORNIA SUR 2 MULEGE 17 40805.0 5.033360 0.982451 0.078356 0.024389 ... 0.993423 1.355161 0.555625 2.045067 -0.066394 -0.056636 -0.958865 -0.010823 G1 Tipica
22 4 CAMPECHE 9 ESCARCEGA 15 40540.0 1995.116156 0.983640 0.062954 0.018421 ... 0.981631 0.495775 1.122835 -0.521928 0.712122 0.786523 0.214909 0.006227 G3 Tipica
49 5 COAHUILA 11 GENERAL CEPEDA 15 9057.0 3.835069 0.981156 0.150514 0.041165 ... 0.993209 3.611721 -0.559379 1.906377 -0.146645 -1.314151 -0.367213 -0.674813 G2 Tipica
70 6 COLIMA 2 COMALA 6 16735.0 197.491963 0.987999 0.092363 0.027588 ... 0.993854 1.344467 0.374052 -0.223293 -0.401209 -0.602952 -0.249018 -0.146251 G3 Tipica
188 7 CHIAPAS 67 PANTEPEC 4 7905.0 334.804474 0.964301 0.096242 0.037119 ... 0.921378 3.025128 -2.160686 0.280197 2.071600 1.179104 -0.304601 0.200856 G2 Tipica
218 8 CHIHUAHUA 66 URUACHI 10 4526.0 2.490662 0.946017 0.239595 0.072941 ... 0.967471 8.835628 -4.520494 2.723452 3.409693 -0.047553 -0.825096 -0.837729 G2 Atípica en ICE principal
269 9 CIUDAD DE MEXICO 12 TLALPAN 1 542014.0 5775.165641 0.988243 0.057017 0.018789 ... 0.992559 0.269835 1.989212 -1.903634 0.714634 0.439912 -1.342233 0.144160 G3 Tipica
287 10 DURANGO 2 CANELAS 13 3052.0 3.307285 0.973873 -0.039345 0.035912 ... 0.663295 -0.299417 -2.298736 2.703375 1.609281 -0.568834 -0.549679 2.182089 G0 Atípica en tercer ICE
343 11 GUANAJUATO 38 TARANDACUAO 5 10227.0 1665.709526 0.985132 0.096366 0.027085 ... 0.990484 1.445784 0.085162 -1.044266 0.057604 -0.079417 0.328650 -0.229517 G3 Tipica
401 12 GUERRERO 66 TLALIXTAQUILLA DE MALDONADO 6 5323.0 1267.135966 0.978397 0.077967 0.023497 ... 0.924983 1.090030 -0.714557 -0.531213 0.590744 0.799634 0.440544 -0.135621 G2 Tipica
493 13 HIDALGO 12 ATOTONILCO DE TULA 9 34626.0 863.785662 0.987539 0.097736 0.030188 ... 0.994246 1.639234 0.819992 -0.747447 0.234641 -0.620706 -0.080436 -0.139894 G3 Tipica
644 14 JALISCO 63 MEZQUITIC 6 13992.0 13.184356 0.973196 0.197826 0.059857 ... 0.990074 5.959238 -1.698495 0.993077 1.090562 -1.789368 -0.796648 -0.713459 G2 Atípica en ICE principal
669 15 MEXICO 46 JILOTEPEC 28 66142.0 151.169564 0.989240 0.122857 0.037462 ... 0.997001 2.570873 1.777876 0.684756 0.630700 -1.559719 0.343666 -0.360561 G1 Atípica en ICE principal
835 16 MICHOACAN 57 NAHUATZEN 1 20601.0 2450.712917 0.985485 0.120289 0.037233 ... 0.994141 2.493456 0.041073 -1.564248 0.393605 -0.859778 -0.044405 -0.238037 G2 Tipica
900 17 MORELOS 9 HUITZILAC 5 15191.0 319.822381 0.982867 0.093586 0.027848 ... 0.992501 1.625686 -0.080018 -0.289656 0.098567 -0.018422 -0.236939 -0.125721 G3 Tipica
941 18 NAYARIT 4 BAHIA DE BANDERAS 7 110771.0 777.359198 0.985425 0.099617 0.030069 ... 0.996931 1.833572 1.035518 -0.778932 0.606963 -0.359735 -0.740335 -0.170569 G3 Tipica
953 19 NUEVO LEON 10 CARMEN 1 28495.0 2675.641052 0.981918 0.201864 0.059656 ... 0.996570 5.481769 -0.521725 -1.822998 1.235666 -2.244379 -0.070993 -0.830623 G2 Atípica en ICE principal
1355 20 OAXACA 329 SAN PEDRO TIDAA 0 648.0 148.056274 0.969378 0.275049 0.077157 ... 0.803436 7.896820 -3.877488 -0.267774 1.642548 -2.937458 0.741465 -1.868540 G2 Atípica en ICE principal
1595 21 PUEBLA 53 CHIGMECATITLAN 0 1069.0 246.634063 0.974683 -0.028182 0.037841 ... 0.664427 -0.219545 -2.925440 0.262086 1.681768 -0.434536 0.179194 2.084177 G0 Atípica en ICE principal
1802 22 QUERETARO 10 EL MARQUES 8 126226.0 468.618879 0.985441 0.115217 0.034710 ... 0.996815 2.408057 1.004450 -0.592270 0.672640 -0.775795 -0.823536 -0.277050 G3 Atípica en ICE principal
1805 23 QUINTANA ROO 9 TULUM 4 33040.0 493.369677 0.985168 0.044512 0.020097 ... 0.840957 -0.114301 0.301908 -0.437487 0.421526 0.145692 -0.628940 0.121420 G3 Tipica
1837 24 SAN LUIS POTOSI 47 VILLA DE ARRIAGA 15 12671.0 42.776017 0.988238 0.113151 0.033942 ... 0.997096 2.137660 0.439556 0.756932 -0.368985 -1.284860 0.060256 -0.284619 G2 Tipica
1879 25 SINALOA 8 ELOTA 33 31068.0 21.322511 0.986226 0.119608 0.034963 ... 0.998336 2.536977 1.365895 1.908677 0.439909 -1.222477 0.453689 -0.393649 G1 Atípica en ICE principal
1912 26 SONORA 28 NACORI CHICO 2 1399.0 0.706490 0.963629 0.169591 0.050944 ... 0.948658 5.258097 -3.655798 2.611515 0.658298 -0.386625 -0.871291 -0.570928 G2 Atípica en ICE principal
1963 27 TABASCO 16 TEAPA 13 40126.0 396.487565 0.985047 0.068630 0.020716 ... 0.962392 0.648013 0.942519 -0.011822 0.338109 0.278227 -0.208044 -0.058934 G3 Tipica
1997 28 TAMAULIPAS 14 GUERRERO 0 2420.0 466.383156 0.989060 -0.066692 0.048145 ... 0.759098 -0.710424 -1.602589 -0.573639 1.039527 -2.539206 0.189512 3.472676 G0 Tipica
2078 29 TLAXCALA 23 NATIVITAS 0 18407.0 1201.647343 0.986066 0.081429 0.025298 ... 0.994534 1.064878 0.176186 -1.160194 -0.095121 -0.033268 -0.266942 -0.002644 G3 Tipica
2274 30 VERACRUZ 107 MIAHUATLAN 1 3285.0 133.502548 0.982124 0.136631 0.042341 ... 0.929624 3.089163 -1.373826 -0.195132 -0.007117 -1.298421 0.071824 -0.459575 G2 Tipica
2348 31 YUCATAN 45 KOPOMA 1 1982.0 984.759958 0.976657 0.190276 0.057503 ... 0.957363 5.222477 -2.101629 -1.045318 0.953712 -1.693800 0.742638 -0.735398 G2 Atípica en ICE principal
2457 32 ZACATECAS 11 TRINIDAD GARCIA DE LA CADENA 3 2778.0 15.815887 0.972699 0.113381 0.035958 ... 0.960965 2.898677 -2.089888 1.224056 0.281973 0.117065 -0.394883 -0.152423 G2 Tipica

32 rows × 21 columns

Animación de la proyección de los municipios en el espacio de las CP (tipología en color):

In [14]:
eti=['NOMBRE_ESTADO','NUM_SECC_RUR', 'LNE', 'Densidad_LNE', 'Razon_LNE_PE', 'TC_LNE_2019', 'Coef_Var_LNE', 'Autocorr_LNE', 'CP1 (ICE principal)', 'CP2 (segundo ICE)', 'CP3 (tercer ICE)', 'TCE_municipal', 'Atipicidad']
#3-d scatter plot con plotly
fig = px.scatter_3d(resultados_ind7_tf, 
                    x='CP1 (ICE principal)', 
                    y='CP2 (segundo ICE)', 
                    z='CP3 (tercer ICE)',
              color='TCE_municipal',
                    color_discrete_map={
                  'G0':'blue',
                  'G1':'green',
                  'G2': 'orange',
                  'G3': 'grey',
                  'G4': 'red',
                  'G5': 'magenta'},
                    hover_name='NOMBRE_MUNICIPIO',
                   hover_data = eti)
fig.update_traces(mode='markers', marker_line_width=1, marker_size=3)
fig.update_layout(scene = dict(
                    xaxis_title='CP1 (ICE principal)',
                    yaxis_title='CP2 (segundo ICE)',
                    zaxis_title='CP3 (tercer ICE)'),
                  title="Proyección de los municipios en el espacio CP1-CP2-CP3 (7 indicadores, con transformación log en LNE y Densidad_LNE)",
                 legend_orientation="h")
fig.show()
#salvar animación en html
fig.write_html("C:/Users/miguel.alvarez/Google Drive/INFOTEC/Proyecto/Code-Data/Mun/4_Resumen-Mapas/Pyplotly_Proyeccion3d_Mun_ind7_tf.html")

Animación de la proyección de los municipios en el espacio de las CP (atipicidad en color):

In [15]:
eti=['NOMBRE_ESTADO','NUM_SECC_RUR', 'LNE', 'Densidad_LNE', 'Razon_LNE_PE', 'TC_LNE_2019', 'Coef_Var_LNE', 'Autocorr_LNE', 'CP1 (ICE principal)', 'CP2 (segundo ICE)', 'CP3 (tercer ICE)', 'TCE_municipal', 'Atipicidad']
#3-d scatter plot con plotly
fig = px.scatter_3d(resultados_ind7_tf, 
                    x='CP1 (ICE principal)', 
                    y='CP2 (segundo ICE)', 
                    z='CP3 (tercer ICE)',
                    color='Atipicidad',
                    hover_name='NOMBRE_MUNICIPIO',
                    hover_data = eti)
fig.update_traces(mode='markers', marker_line_width=1, marker_size=3)
fig.update_layout(scene = dict(
                    xaxis_title='CP1 (ICE principal)',
                    yaxis_title='CP2 (segundo ICE)',
                    zaxis_title='CP3 (tercer ICE)'),
                  title="Proyección de los municipios en el espacio CP1-CP2-CP3 (7 indicadores, con transformación log en LNE y Densidad_LNE)",
                 legend_orientation="h")
fig.show()
#salvar animación en html
fig.write_html("C:/Users/miguel.alvarez/Google Drive/INFOTEC/Proyecto/Code-Data/Mun/4_Resumen-Mapas/Pyplotly_Proyeccion3d_Mun_Atip_ind7_tf.html")


Escenario 3: (8 indicadores)

In [16]:
#con pandas_profiling se crea una interface para visualizar un resumen del dataframe de los resultados
#resultados_ind8.profile_report()
In [17]:
#se ordenan y obtienen los 10 municipios por nivel de complejidad (descendente en CP1) 
ranking_mun_top10_ind8 = resultados_ind8.sort_values(by='CP1 (ICE principal)', ascending=False).head(10)
#se guarda el ranking
ranking_mun_top10_ind8.to_csv(r'Resultados_Mun_ranking-top10_ind8.csv', index = None)
ranking_mun_top10_ind8
Out[17]:
EDO NOMBRE_ESTADO MUN NOMBRE_MUNICIPIO NUM_SECC_RUR LNE Densidad_LNE Razon_LNE_PE TC_LNE_2019 Coef_Var_LNE ... CP1 (ICE principal) CP2 (segundo ICE) CP3 (tercer ICE) CP4 CP5 CP6 CP7 CP8 TCE_municipal Atipicidad
218 8 CHIHUAHUA 66 URUACHI 10 4527.0 2.490662 0.946017 0.239595 0.072941 ... 11.532487 -1.818284 2.035123 3.241616 1.604143 -0.006434 -0.965362 -0.178303 G2 Atípica en ICE principal
1355 20 OAXACA 329 SAN PEDRO TIDAA 0 649.0 148.056274 0.969378 0.275049 0.077157 ... 10.597552 -0.946201 1.481481 1.199842 -1.617233 0.320846 -2.492148 0.515326 G2 Atípica en ICE principal
1384 20 OAXACA 216 SAN JUAN TABAA 0 831.0 1138.040489 0.935902 0.183761 0.065257 ... 10.108674 -2.447649 3.585565 3.359379 3.460143 -0.132131 -0.112621 0.034612 G2 Atípica en ICE principal
644 14 JALISCO 63 MEZQUITIC 6 13993.0 13.184356 0.973196 0.197826 0.059857 ... 7.981057 -0.559273 0.601587 1.011386 -1.084746 0.188930 -0.940400 -0.205035 G2 Atípica en ICE principal
953 19 NUEVO LEON 10 CARMEN 1 28495.0 2675.641052 0.981918 0.201864 0.059656 ... 7.542214 0.737002 1.133870 -0.050518 -2.081788 -0.527753 -1.216724 -0.212031 G2 Atípica en ICE principal
1019 20 OAXACA 489 SANTIAGO TEPETLAPA 0 88.0 225.010554 0.965876 0.011494 0.098169 ... 7.233698 -3.664148 5.051617 4.734695 -4.097851 -0.604135 1.233052 2.709046 G2 Atípica en ICE principal
1481 20 OAXACA 396 SANTA MAGDALENA JICOTLAN 0 61.0 37.305746 0.972984 0.033898 0.073513 ... 7.076218 -2.118018 2.827194 2.570438 -3.301620 -0.345426 2.152531 -0.024858 G2 Atípica en ICE principal
203 8 CHIHUAHUA 9 BOCOYNA 11 20100.0 10.127167 0.964964 0.169693 0.052948 ... 7.065173 -0.905599 0.741388 1.796353 0.536462 0.080786 -0.520266 -0.128220 G2 Atípica en ICE principal
2348 31 YUCATAN 45 KOPOMA 1 1983.0 984.759958 0.976657 0.190276 0.057503 ... 6.971004 -0.289349 0.876200 0.303777 -1.108136 -0.025473 -1.133314 0.309519 G2 Atípica en ICE principal
1523 20 OAXACA 125 SAN CRISTOBAL LACHIRIOAG 0 1008.0 901.980598 0.968184 0.144154 0.055170 ... 6.569083 -1.016574 1.648522 1.092390 -0.101589 -0.068506 -0.178598 0.167584 G2 Atípica en ICE principal

10 rows × 22 columns

In [18]:
#se obtienen los municipios de mayor complejidad (mayor CP1) para cada una de las 32 entidades
idx_rank_mun = resultados_ind8.groupby(['EDO'])['CP1 (ICE principal)'].transform(max) == resultados_ind8['CP1 (ICE principal)']
ranking_mun_edo = resultados_ind8[idx_rank_mun]
ranking_mun_edo.to_csv(r'Resultados_Mun_ranking-edo_ind8.csv', index = None)
ranking_mun_edo
Out[18]:
EDO NOMBRE_ESTADO MUN NOMBRE_MUNICIPIO NUM_SECC_RUR LNE Densidad_LNE Razon_LNE_PE TC_LNE_2019 Coef_Var_LNE ... CP1 (ICE principal) CP2 (segundo ICE) CP3 (tercer ICE) CP4 CP5 CP6 CP7 CP8 TCE_municipal Atipicidad
0 1 AGUASCALIENTES 10 SAN FRANCISCO DE LOS ROMO 3 34917.0 3566.024547 0.989272 0.037498 0.015085 ... -1.212730 0.714345 0.923540 -0.603382 -0.084640 -0.782450 -0.261916 -0.003056 G1 Tipica
13 2 BAJA CALIFORNIA 3 TECATE 3 85233.0 1700.546549 0.988233 -0.012604 0.017671 ... -1.899909 -0.371387 1.531792 0.712024 -0.924139 0.013411 0.160425 -0.017603 G0 Tipica
20 3 BAJA CALIFORNIA SUR 2 MULEGE 17 40805.0 5.033360 0.982451 0.078356 0.024389 ... 1.222455 0.025489 -0.862489 0.599510 0.340466 0.086698 0.030814 -0.021984 G2 Tipica
21 4 CAMPECHE 8 TENABO 4 8120.0 1086.574410 0.989881 0.065617 0.020031 ... 0.153443 0.272073 -0.409183 -0.926203 -0.277027 -0.046253 0.030775 -0.006538 G1 Tipica
49 5 COAHUILA 11 GENERAL CEPEDA 15 9058.0 3.835069 0.981156 0.150514 0.041165 ... 4.262199 -0.066201 -0.673742 0.580116 -0.537003 -0.026508 -0.884250 0.151946 G2 Tipica
70 6 COLIMA 2 COMALA 6 16735.0 197.491963 0.987999 0.092363 0.027588 ... 1.560012 0.046135 -0.572340 -0.494892 -0.602561 0.244755 -0.197588 0.006572 G2 Tipica
188 7 CHIAPAS 67 PANTEPEC 4 7905.0 334.804474 0.964301 0.096242 0.037119 ... 4.082735 -1.342383 1.270574 1.371911 1.590653 0.120659 0.311016 -0.162006 G2 Tipica
218 8 CHIHUAHUA 66 URUACHI 10 4527.0 2.490662 0.946017 0.239595 0.072941 ... 11.532487 -1.818284 2.035123 3.241616 1.604143 -0.006434 -0.965362 -0.178303 G2 Atípica en ICE principal
267 9 CIUDAD DE MEXICO 9 MILPA ALTA 0 107273.0 2559.563059 0.989102 0.060115 0.018995 ... -0.057267 1.190179 0.453601 -0.900664 -0.056900 0.137568 0.132827 -0.023713 G1 Atípica en segundo ICE
287 10 DURANGO 2 CANELAS 13 3052.0 3.307285 0.973873 -0.039345 0.035912 ... 1.269096 -1.894890 1.476477 2.553670 -0.586738 -0.498247 2.157445 -0.176460 G2 Atípica en segundo ICE
343 11 GUANAJUATO 38 TARANDACUAO 5 10228.0 1665.709526 0.985132 0.096366 0.027085 ... 1.636506 0.339882 -0.003489 -0.539328 -0.055855 -0.271072 -0.314557 0.054281 G2 Tipica
401 12 GUERRERO 66 TLALIXTAQUILLA DE MALDONADO 6 5323.0 1267.135966 0.978397 0.077967 0.023497 ... 1.230820 -0.283933 0.319903 0.092755 0.947709 -0.189746 -0.107540 0.006731 G2 Tipica
493 13 HIDALGO 12 ATOTONILCO DE TULA 9 34627.0 863.785662 0.987539 0.097736 0.030188 ... 2.028194 0.396346 -0.412956 -0.201021 -0.758377 -0.021232 -0.220081 -0.089612 G2 Tipica
644 14 JALISCO 63 MEZQUITIC 6 13993.0 13.184356 0.973196 0.197826 0.059857 ... 7.981057 -0.559273 0.601587 1.011386 -1.084746 0.188930 -0.940400 -0.205035 G2 Atípica en ICE principal
693 15 MEXICO 113 VILLA DEL CARBON 13 33869.0 349.571708 0.986171 0.128891 0.035177 ... 3.079067 0.334544 -0.716984 0.148263 -0.869141 0.057104 -0.697678 -0.026771 G2 Tipica
835 16 MICHOACAN 57 NAHUATZEN 1 20601.0 2450.712917 0.985485 0.120289 0.037233 ... 3.373274 0.610240 0.627890 -0.591075 -0.938685 -0.436509 -0.405012 -0.132208 G2 Tipica
900 17 MORELOS 9 HUITZILAC 5 15191.0 319.822381 0.982867 0.093586 0.027848 ... 1.960200 -0.195094 -0.192474 -0.207953 0.018070 0.225181 -0.103736 -0.105018 G2 Tipica
941 18 NAYARIT 4 BAHIA DE BANDERAS 7 110771.0 777.359198 0.985425 0.099617 0.030069 ... 2.118839 0.692692 -0.100585 0.042513 -0.460890 0.542146 -0.170760 -0.080957 G2 Tipica
953 19 NUEVO LEON 10 CARMEN 1 28495.0 2675.641052 0.981918 0.201864 0.059656 ... 7.542214 0.737002 1.133870 -0.050518 -2.081788 -0.527753 -1.216724 -0.212031 G2 Atípica en ICE principal
1355 20 OAXACA 329 SAN PEDRO TIDAA 0 649.0 148.056274 0.969378 0.275049 0.077157 ... 10.597552 -0.946201 1.481481 1.199842 -1.617233 0.320846 -2.492148 0.515326 G2 Atípica en ICE principal
1583 21 PUEBLA 97 LA MAGDALENA TLATLAUQUITEPEC 0 437.0 549.923452 0.987756 -0.098969 0.063115 ... 3.328104 -1.687242 2.506161 1.892111 -4.874416 -0.804036 4.415830 -0.020791 G2 Atípica en tercer ICE
1802 22 QUERETARO 10 EL MARQUES 8 126227.0 468.618879 0.985441 0.115217 0.034710 ... 2.942301 0.733996 -0.148752 0.249063 -0.840220 0.693960 -0.308642 -0.125660 G2 Tipica
1805 23 QUINTANA ROO 9 TULUM 4 33040.0 493.369677 0.985168 0.044512 0.020097 ... -0.078466 -0.339846 0.159675 -0.079900 0.003226 0.259095 0.175345 -0.025696 G1 Tipica
1837 24 SAN LUIS POTOSI 47 VILLA DE ARRIAGA 15 12671.0 42.776017 0.988238 0.113151 0.033942 ... 2.612141 0.198228 -1.024166 0.121417 -1.102270 -0.056503 -0.446147 -0.006581 G2 Tipica
1879 25 SINALOA 8 ELOTA 33 31068.0 21.322511 0.986226 0.119608 0.034963 ... 2.884426 0.562637 -1.810883 1.398942 -0.905254 -0.554318 -0.595196 -0.052797 G2 Atípica en tercer ICE
1912 26 SONORA 28 NACORI CHICO 2 1400.0 0.706490 0.963629 0.169591 0.050944 ... 6.500753 -1.269329 1.164747 1.190848 1.088368 0.346134 -0.717890 0.354663 G2 Atípica en ICE principal
1963 27 TABASCO 16 TEAPA 13 40126.0 396.487565 0.985047 0.068630 0.020716 ... 0.483158 0.134912 -0.674815 0.153769 0.227260 0.089538 -0.009860 -0.055347 G1 Tipica
1997 28 TAMAULIPAS 14 GUERRERO 0 2421.0 466.383156 0.989060 -0.066692 0.048145 ... 1.795722 -1.353372 1.786459 1.130005 -3.627626 -0.477325 3.191271 -0.068013 G2 Tipica
2036 29 TLAXCALA 16 IXTENCO 0 5340.0 1089.473478 0.985932 0.080316 0.026840 ... 1.472294 -0.040737 0.187810 -0.714006 -0.351852 0.027079 0.020162 -0.093558 G2 Tipica
2274 30 VERACRUZ 107 MIAHUATLAN 1 3286.0 133.502548 0.982124 0.136631 0.042341 ... 4.230959 -0.458536 0.284918 -0.089534 -0.979661 0.307156 -0.645196 0.042347 G2 Tipica
2348 31 YUCATAN 45 KOPOMA 1 1983.0 984.759958 0.976657 0.190276 0.057503 ... 6.971004 -0.289349 0.876200 0.303777 -1.108136 -0.025473 -1.133314 0.309519 G2 Atípica en ICE principal
2457 32 ZACATECAS 11 TRINIDAD GARCIA DE LA CADENA 3 2779.0 15.815887 0.972699 0.113381 0.035958 ... 3.697783 -0.924269 0.534752 0.528296 0.742616 0.303807 -0.133812 -0.035080 G2 Tipica

32 rows × 22 columns

Animación de la proyección de los municipios en el espacio de las CP (tipología en color):

In [19]:
eti=['NOMBRE_ESTADO','NUM_SECC_RUR', 'LNE', 'Densidad_LNE', 'Razon_LNE_PE', 'TC_LNE_2019', 'Coef_Var_LNE', 'Var_Prop_LNE', 'Autocorr_LNE', 'CP1 (ICE principal)', 'CP2 (segundo ICE)', 'CP3 (tercer ICE)', 'TCE_municipal', 'Atipicidad']
#3-d scatter plot con plotly
fig = px.scatter_3d(resultados_ind8, 
                    x='CP1 (ICE principal)', 
                    y='CP2 (segundo ICE)', 
                    z='CP3 (tercer ICE)',
              color='TCE_municipal',
                    color_discrete_map={
                  'G0':'blue',
                  'G1':'green',
                  'G2': 'orange',
                  'G3': 'grey',
                  'G4': 'red',
                  'G5': 'magenta'},
                    hover_name='NOMBRE_MUNICIPIO',
                   hover_data = eti)
fig.update_traces(mode='markers', marker_line_width=1, marker_size=3)
fig.update_layout(scene = dict(
                    xaxis_title='CP1 (ICE principal)',
                    yaxis_title='CP2 (segundo ICE)',
                    zaxis_title='CP3 (tercer ICE)'),
                  title="Proyección de los municipios en el espacio CP1-CP2-CP3 (8 indicadores)",
                 legend_orientation="h")
fig.show()
#salvar animación en html
fig.write_html("C:/Users/miguel.alvarez/Google Drive/INFOTEC/Proyecto/Code-Data/Mun/4_Resumen-Mapas/Pyplotly_Proyeccion3d_Mun_ind8.html")

Animación de la proyección de los municipios en el espacio de las CP (atipicidad en color):

In [20]:
eti=['NOMBRE_ESTADO','NUM_SECC_RUR', 'LNE', 'Densidad_LNE', 'Razon_LNE_PE', 'TC_LNE_2019', 'Coef_Var_LNE', 'Var_Prop_LNE', 'Autocorr_LNE', 'CP1 (ICE principal)', 'CP2 (segundo ICE)', 'CP3 (tercer ICE)', 'TCE_municipal', 'Atipicidad']
#3-d scatter plot con plotly
fig = px.scatter_3d(resultados_ind8, 
                    x='CP1 (ICE principal)', 
                    y='CP2 (segundo ICE)', 
                    z='CP3 (tercer ICE)',
                    color='Atipicidad',
                    hover_name='NOMBRE_MUNICIPIO',
                    hover_data = eti)
fig.update_traces(mode='markers', marker_line_width=1, marker_size=3)
fig.update_layout(scene = dict(
                    xaxis_title='CP1 (ICE principal)',
                    yaxis_title='CP2 (segundo ICE)',
                    zaxis_title='CP3 (tercer ICE)'),
                  title="Proyección de los municipios en el espacio CP1-CP2-CP3 (8 indicadores)",
                 legend_orientation="h")
fig.show()
#salvar animación en html
fig.write_html("C:/Users/miguel.alvarez/Google Drive/INFOTEC/Proyecto/Code-Data/Mun/4_Resumen-Mapas/Pyplotly_Proyeccion3d_Mun_Atip_ind8.html")

Escenario 4: (8 indicadores, con previa transformación log en LNE y Densidad_LNE)

In [21]:
#con pandas_profiling se crea una interface para visualizar un resumen del dataframe de los resultados
#resultados_ind8_tf.profile_report()
In [22]:
#se ordenan y obtienen los 10 municipios por nivel de complejidad (descendente en CP1) 
ranking_mun_top10_ind8_tf = resultados_ind8_tf.sort_values(by='CP1 (ICE principal)', ascending=False).head(10)
#se guarda el ranking
ranking_mun_top10_ind8_tf.to_csv(r'Resultados_Mun_ranking-top10_ind8_tf.csv', index = None)
ranking_mun_top10_ind8_tf
Out[22]:
EDO NOMBRE_ESTADO MUN NOMBRE_MUNICIPIO NUM_SECC_RUR LNE Densidad_LNE Razon_LNE_PE TC_LNE_2019 Coef_Var_LNE ... CP1 (ICE principal) CP2 (segundo ICE) CP3 (tercer ICE) CP4 CP5 CP6 CP7 CP8 TCE_municipal Atipicidad
218 8 CHIHUAHUA 66 URUACHI 10 4526.0 2.490662 0.946017 0.239595 0.072941 ... 11.573336 -2.756926 2.977544 2.515718 1.339570 -0.813020 -0.998808 -0.163396 G0 Atípica en ICE principal
1355 20 OAXACA 329 SAN PEDRO TIDAA 0 648.0 148.056274 0.969378 0.275049 0.077157 ... 10.599116 -2.357965 -0.047960 1.203996 -1.525110 0.788525 -2.493220 0.494107 G0 Atípica en ICE principal
1384 20 OAXACA 216 SAN JUAN TABAA 0 831.0 1138.040489 0.935902 0.183761 0.065257 ... 10.091822 -4.387190 0.587451 3.279493 3.851475 0.412894 -0.056932 0.033903 G0 Atípica en ICE principal
644 14 JALISCO 63 MEZQUITIC 6 13992.0 13.184356 0.973196 0.197826 0.059857 ... 7.997885 -0.601964 1.102501 1.015213 -1.221309 -0.773252 -0.998032 -0.192214 G0 Atípica en ICE principal
953 19 NUEVO LEON 10 CARMEN 1 28495.0 2675.641052 0.981918 0.201864 0.059656 ... 7.538096 0.394676 -1.780463 1.230160 -1.653977 -0.042806 -1.166303 -0.203440 G0 Atípica en ICE principal
1019 20 OAXACA 489 SANTIAGO TEPETLAPA 0 88.0 225.010554 0.965876 0.011494 0.098169 ... 7.223429 -6.436419 0.209991 5.655364 -3.571348 1.082784 1.296553 2.679965 G0 Atípica en ICE principal
1481 20 OAXACA 396 SANTA MAGDALENA JICOTLAN 0 61.0 37.305746 0.972984 0.033898 0.073513 ... 7.098401 -4.647661 0.735990 2.480409 -3.334379 1.152255 2.191279 -0.066581 G0 Atípica en ICE principal
203 8 CHIHUAHUA 9 BOCOYNA 11 20100.0 10.127167 0.964964 0.169693 0.052948 ... 7.084460 -0.812505 1.856779 1.502998 0.387319 -0.921040 -0.568906 -0.108502 G0 Atípica en ICE principal
2348 31 YUCATAN 45 KOPOMA 1 1982.0 984.759958 0.976657 0.190276 0.057503 ... 6.954345 -1.115806 -0.903062 0.638319 -0.887874 0.768240 -1.100130 0.293524 G0 Atípica en ICE principal
263 8 CHIHUAHUA 41 MAGUARICHI 4 1179.0 1.714871 0.952501 0.126074 0.050196 ... 6.562292 -3.492311 3.064541 1.371609 1.747387 -0.766384 0.191696 0.104262 G0 Atípica en ICE principal

10 rows × 22 columns

In [23]:
#se obtienen los municipios de mayor complejidad (mayor CP1) para cada una de las 32 entidades
idx_rank_mun = resultados_ind8_tf.groupby(['EDO'])['CP1 (ICE principal)'].transform(max) == resultados_ind8_tf['CP1 (ICE principal)']
ranking_mun_edo_tf = resultados_ind8_tf[idx_rank_mun]
ranking_mun_edo_tf.to_csv(r'Resultados_Mun_ranking-edo_ind8_tf.csv', index = None)
ranking_mun_edo_tf
Out[23]:
EDO NOMBRE_ESTADO MUN NOMBRE_MUNICIPIO NUM_SECC_RUR LNE Densidad_LNE Razon_LNE_PE TC_LNE_2019 Coef_Var_LNE ... CP1 (ICE principal) CP2 (segundo ICE) CP3 (tercer ICE) CP4 CP5 CP6 CP7 CP8 TCE_municipal Atipicidad
0 1 AGUASCALIENTES 10 SAN FRANCISCO DE LOS ROMO 3 34916.0 3566.024547 0.989272 0.037498 0.015085 ... -1.214070 0.513032 -1.450945 0.431519 0.182643 -0.259314 -0.187243 0.010094 G1 Tipica
13 2 BAJA CALIFORNIA 3 TECATE 3 85232.0 1700.546549 0.988233 -0.012604 0.017671 ... -1.912004 -0.143488 -1.124010 1.962605 -0.441669 -0.989045 0.130892 0.012296 G2 Tipica
20 3 BAJA CALIFORNIA SUR 2 MULEGE 17 40805.0 5.033360 0.982451 0.078356 0.024389 ... 1.254585 0.839769 2.082102 -0.044990 -0.052895 -0.958059 -0.027880 -0.004623 G3 Tipica
22 4 CAMPECHE 9 ESCARCEGA 15 40540.0 1995.116156 0.983640 0.062954 0.018421 ... 0.132295 1.211780 -0.518434 0.463008 0.983156 0.208349 0.089366 -0.001257 G1 Tipica
49 5 COAHUILA 11 GENERAL CEPEDA 15 9057.0 3.835069 0.981156 0.150514 0.041165 ... 4.296073 0.159785 2.016414 -0.155480 -0.994371 -0.348750 -0.914995 0.152424 G0 Tipica
70 6 COLIMA 2 COMALA 6 16735.0 197.491963 0.987999 0.092363 0.027588 ... 1.541186 0.617013 -0.187688 -0.365145 -0.598947 -0.242301 -0.232794 0.011316 G1 Tipica
188 7 CHIAPAS 67 PANTEPEC 4 7905.0 334.804474 0.964301 0.096242 0.037119 ... 4.056361 -1.542937 0.379342 1.453224 1.777098 -0.313893 0.298443 -0.150857 G0 Tipica
218 8 CHIHUAHUA 66 URUACHI 10 4526.0 2.490662 0.946017 0.239595 0.072941 ... 11.573336 -2.756926 2.977544 2.515718 1.339570 -0.813020 -0.998808 -0.163396 G0 Atípica en ICE principal
267 9 CIUDAD DE MEXICO 9 MILPA ALTA 0 107273.0 2559.563059 0.989102 0.060115 0.018995 ... -0.042042 1.295008 -1.584231 -0.012904 0.230724 -0.858716 0.108529 0.001318 G1 Tipica
287 10 DURANGO 2 CANELAS 13 3052.0 3.307285 0.973873 -0.039345 0.035912 ... 1.295558 -2.441515 2.554530 2.142548 -0.891406 -0.556918 2.149832 -0.173919 G0 Tipica
343 11 GUANAJUATO 38 TARANDACUAO 5 10227.0 1665.709526 0.985132 0.096366 0.027085 ... 1.615003 0.361680 -0.987458 -0.142906 0.120280 0.331902 -0.271470 0.051403 G1 Tipica
401 12 GUERRERO 66 TLALIXTAQUILLA DE MALDONADO 6 5323.0 1267.135966 0.978397 0.077967 0.023497 ... 1.205740 -0.464937 -0.458166 0.189107 1.100484 0.435244 -0.065028 0.001537 G1 Tipica
493 13 HIDALGO 12 ATOTONILCO DE TULA 9 34626.0 863.785662 0.987539 0.097736 0.030188 ... 2.006341 1.075664 -0.748724 0.269491 -0.524054 -0.073521 -0.222068 -0.081877 G1 Tipica
644 14 JALISCO 63 MEZQUITIC 6 13992.0 13.184356 0.973196 0.197826 0.059857 ... 7.997885 -0.601964 1.102501 1.015213 -1.221309 -0.773252 -0.998032 -0.192214 G0 Atípica en ICE principal
669 15 MEXICO 46 JILOTEPEC 28 66142.0 151.169564 0.989240 0.122857 0.037462 ... 3.082806 2.167563 0.637538 0.912867 -1.367233 0.361207 -0.578303 -0.032596 G0 Tipica
835 16 MICHOACAN 57 NAHUATZEN 1 20601.0 2450.712917 0.985485 0.120289 0.037233 ... 3.360918 0.450289 -1.538570 0.348720 -0.652016 -0.034202 -0.359623 -0.126181 G0 Tipica
900 17 MORELOS 9 HUITZILAC 5 15191.0 319.822381 0.982867 0.093586 0.027848 ... 1.936293 0.230297 -0.236820 -0.043369 0.093042 -0.235744 -0.131321 -0.098510 G0 Tipica
941 18 NAYARIT 4 BAHIA DE BANDERAS 7 110771.0 777.359198 0.985425 0.099617 0.030069 ... 2.124001 1.329199 -0.779846 0.548282 -0.158318 -0.735072 -0.238133 -0.057717 G1 Tipica
953 19 NUEVO LEON 10 CARMEN 1 28495.0 2675.641052 0.981918 0.201864 0.059656 ... 7.538096 0.394676 -1.780463 1.230160 -1.653977 -0.042806 -1.166303 -0.203440 G0 Atípica en ICE principal
1355 20 OAXACA 329 SAN PEDRO TIDAA 0 648.0 148.056274 0.969378 0.275049 0.077157 ... 10.599116 -2.357965 -0.047960 1.203996 -1.525110 0.788525 -2.493220 0.494107 G0 Atípica en ICE principal
1583 21 PUEBLA 97 LA MAGDALENA TLATLAUQUITEPEC 0 436.0 549.923452 0.987756 -0.098969 0.063115 ... 3.307860 -3.180973 -0.905403 2.910916 -4.504305 0.925653 4.478057 -0.050684 G0 Tipica
1802 22 QUERETARO 10 EL MARQUES 8 126226.0 468.618879 0.985441 0.115217 0.034710 ... 2.956217 1.389718 -0.597371 0.689533 -0.551784 -0.813798 -0.395562 -0.101463 G0 Tipica
1805 23 QUINTANA ROO 9 TULUM 4 33040.0 493.369677 0.985168 0.044512 0.020097 ... -0.106163 0.256702 -0.464907 0.400284 0.189164 -0.630702 0.133013 -0.008456 G1 Tipica
1837 24 SAN LUIS POTOSI 47 VILLA DE ARRIAGA 15 12671.0 42.776017 0.988238 0.113151 0.033942 ... 2.614079 0.816558 0.784079 -0.171528 -1.264465 0.074157 -0.456819 -0.009996 G0 Tipica
1879 25 SINALOA 8 ELOTA 33 31068.0 21.322511 0.986226 0.119608 0.034963 ... 2.902552 1.796021 1.893667 0.676022 -1.063869 0.467900 -0.559105 -0.057473 G0 Tipica
1912 26 SONORA 28 NACORI CHICO 2 1399.0 0.706490 0.963629 0.169591 0.050944 ... 6.560154 -2.506336 2.865542 0.090139 0.390987 -0.858585 -0.787128 0.356803 G0 Atípica en ICE principal
1963 27 TABASCO 16 TEAPA 13 40126.0 396.487565 0.985047 0.068630 0.020716 ... 0.463644 1.054678 -0.010089 0.246193 0.365850 -0.210108 -0.026558 -0.044394 G1 Tipica
1997 28 TAMAULIPAS 14 GUERRERO 0 2420.0 466.383156 0.989060 -0.066692 0.048145 ... 1.766417 -1.996663 -0.849937 2.157856 -3.306676 0.193012 3.210311 -0.078132 G0 Tipica
2036 29 TLAXCALA 16 IXTENCO 0 5340.0 1089.473478 0.985932 0.080316 0.026840 ... 1.446332 -0.224240 -1.017828 -0.350126 -0.228108 0.236692 0.031404 -0.099112 G1 Tipica
2274 30 VERACRUZ 107 MIAHUATLAN 1 3285.0 133.502548 0.982124 0.136631 0.042341 ... 4.220291 -0.791427 -0.106216 -0.049759 -1.017094 0.088420 -0.673705 0.035306 G0 Tipica
2348 31 YUCATAN 45 KOPOMA 1 1982.0 984.759958 0.976657 0.190276 0.057503 ... 6.954345 -1.115806 -0.903062 0.638319 -0.887874 0.768240 -1.100130 0.293524 G0 Atípica en ICE principal
2457 32 ZACATECAS 11 TRINIDAD GARCIA DE LA CADENA 3 2778.0 15.815887 0.972699 0.113381 0.035958 ... 3.712017 -1.462585 1.366209 -0.046268 0.413535 -0.393388 -0.178391 -0.035299 G0 Tipica

32 rows × 22 columns

Animación de la proyección de los municipios en el espacio de las CP (tipología en color):

In [24]:
eti=['NOMBRE_ESTADO','NUM_SECC_RUR', 'LNE', 'Densidad_LNE', 'Razon_LNE_PE', 'TC_LNE_2019', 'Coef_Var_LNE', 'Var_Prop_LNE', 'Autocorr_LNE', 'CP1 (ICE principal)', 'CP2 (segundo ICE)', 'CP3 (tercer ICE)', 'TCE_municipal', 'Atipicidad']
#3-d scatter plot con plotly
fig = px.scatter_3d(resultados_ind8_tf, 
                    x='CP1 (ICE principal)', 
                    y='CP2 (segundo ICE)', 
                    z='CP3 (tercer ICE)',
              color='TCE_municipal',
                    color_discrete_map={
                  'G0':'blue',
                  'G1':'green',
                  'G2': 'orange',
                  'G3': 'grey',
                  'G4': 'red',
                  'G5': 'magenta'},
                    hover_name='NOMBRE_MUNICIPIO',
                   hover_data = eti)
fig.update_traces(mode='markers', marker_line_width=1, marker_size=3)
fig.update_layout(scene = dict(
                    xaxis_title='CP1 (ICE principal)',
                    yaxis_title='CP2 (segundo ICE)',
                    zaxis_title='CP3 (tercer ICE)'),
                  title="Proyección de los municipios en el espacio CP1-CP2-CP3 (8 indicadores, con transformación log en LNE y Densidad_LNE)",
                 legend_orientation="h")
fig.show()
#salvar animación en html
fig.write_html("C:/Users/miguel.alvarez/Google Drive/INFOTEC/Proyecto/Code-Data/Mun/4_Resumen-Mapas/Pyplotly_Proyeccion3d_Mun_ind8_tf.html")

Animación de la proyección de los municipios en el espacio de las CP (atipicidad en color):

In [25]:
eti=['NOMBRE_ESTADO','NUM_SECC_RUR', 'LNE', 'Densidad_LNE', 'Razon_LNE_PE', 'TC_LNE_2019', 'Coef_Var_LNE', 'Var_Prop_LNE', 'Autocorr_LNE', 'CP1 (ICE principal)', 'CP2 (segundo ICE)', 'CP3 (tercer ICE)', 'TCE_municipal', 'Atipicidad']
#3-d scatter plot con plotly
fig = px.scatter_3d(resultados_ind8_tf, 
                    x='CP1 (ICE principal)', 
                    y='CP2 (segundo ICE)', 
                    z='CP3 (tercer ICE)',
                    color='Atipicidad',
                    hover_name='NOMBRE_MUNICIPIO',
                    hover_data = eti)
fig.update_traces(mode='markers', marker_line_width=1, marker_size=3)
fig.update_layout(scene = dict(
                    xaxis_title='CP1 (ICE principal)',
                    yaxis_title='CP2 (segundo ICE)',
                    zaxis_title='CP3 (tercer ICE)'),
                  title="Proyección de los municipios en el espacio CP1-CP2-CP3 (8 indicadores, con transformación log en LNE y Densidad_LNE)",
                 legend_orientation="h")
fig.show()
#salvar animación en html
fig.write_html("C:/Users/miguel.alvarez/Google Drive/INFOTEC/Proyecto/Code-Data/Mun/4_Resumen-Mapas/Pyplotly_Proyeccion3d_Mun_Atip_ind8_tf.html")


Mapas con geopandas

In [26]:
import geopandas as gpd

#se carga la cartografía se municipios (shapefile)
fp = "C:/Users/miguel.alvarez/Google Drive/Cartografias/Cartografia INE/municipio.shp"
mapa_mun = gpd.read_file(fp)
#type(mapa_mun)
#mapa_mun
In [27]:
#se cambia la columna id con la concatenación de entidad+municipio
mapa_mun["id"] = mapa_mun["entidad"].astype(str) + mapa_mun["municipio"].astype(str)
mapa_mun
Out[27]:
gid id entidad municipio nombre padron lnominal geometry
0 26237 20246 20 246 SAN MATEO CAJONOS 442 434 POLYGON ((-96.20930 17.17679, -96.20832 17.176...
1 26008 1693 16 93 TIQUICHEO DE NICOLAS ROMERO 10078 9986 POLYGON ((-100.99616 19.35860, -100.99496 19.3...
2 26009 1694 16 94 TLALPUJAHUA 19592 19464 POLYGON ((-100.20480 19.86997, -100.20440 19.8...
3 26010 1695 16 95 TLAZAZALCA 7961 7857 POLYGON ((-102.13541 20.10089, -102.13356 20.1...
4 26030 16103 16 103 URUAPAN 240661 239144 POLYGON ((-102.12733 19.62702, -102.12708 19.6...
... ... ... ... ... ... ... ... ...
2453 27582 3245 32 45 TEPECHITLAN 7061 6994 POLYGON ((-103.42536 21.72844, -103.42445 21.7...
2454 27583 3214 32 14 GENERAL FRANCISCO R. MURGUIA 17495 17320 POLYGON ((-102.96496 24.45706, -102.95228 24.4...
2455 27584 3244 32 44 TABASCO 12599 12526 POLYGON ((-102.94001 22.06462, -102.93933 22.0...
2456 27575 329 32 9 CHALCHIHUITES 8469 8392 POLYGON ((-103.89917 23.61221, -103.89756 23.6...
2457 27576 3211 32 11 TRINIDAD GARCIA DE LA CADENA 2852 2821 POLYGON ((-103.43911 21.32618, -103.43782 21.3...

2458 rows × 8 columns

In [28]:
#muestra de la cartografía de municipios
plt.rcParams['figure.figsize'] = [50, 70]
mapa_mun.plot(edgecolor='black')
Out[28]:
<matplotlib.axes._subplots.AxesSubplot at 0x23e29271048>
In [29]:
#se guarda shapefile en geojson
#mapa_mun.to_file("municipios.geojson", driver='GeoJSON')
In [30]:
#se lee el geojson para despues usar en plotly
import json
with open('C:/Users/miguel.alvarez/Google Drive/INFOTEC/Proyecto/Code-Data/Mun/4_Resumen-Mapas/municipios.geojson') as f:
    municipios_s = json.load(f)

#print(municipios_s["features"][0])
#print(municipios_s["features"][0]["properties"])
#municipios_s
In [31]:
#se carga la cartografía de estados (shapefile)
fp2 = "C:/Users/miguel.alvarez/Google Drive/Cartografias/Cartografia INE/entidad.shp"
mapa_edo = gpd.read_file(fp2)
#type(mapa_edo)
mapa_edo["id"] = mapa_edo["entidad"].astype(str)
mapa_edo.head()
Out[31]:
gid id entidad nombre circunscri crc padron lnominal geometry
0 129 1 1 AGUASCALIENTES 2 1 947129 939109 POLYGON ((-102.29831 22.45985, -102.29599 22.4...
1 130 2 2 BAJA CALIFORNIA 1 8 2745326 2717857 MULTIPOLYGON (((-114.71429 32.72202, -114.7191...
2 131 3 3 BAJA CALIFORNIA SUR 1 4 519170 514223 MULTIPOLYGON (((-112.08233 25.34398, -112.0822...
3 132 4 4 CAMPECHE 3 10 644487 637005 MULTIPOLYGON (((-91.93864 21.23621, -91.93901 ...
4 133 5 5 COAHUILA 2 11 2163696 2140471 POLYGON ((-102.31629 29.87767, -102.31551 29.8...
In [32]:
#muestra de la cartografía de estados
plt.rcParams['figure.figsize'] = [50, 70]
mapa_edo.plot(edgecolor='black')
Out[32]:
<matplotlib.axes._subplots.AxesSubplot at 0x23e25b3be80>


Escenario 1: Mapas de TCE y atipicidad (7 indicadores)

In [33]:
#se agrega una column id a resultados_ind7
resultados_ind7["id"] = resultados_ind7["EDO"].astype(str) + resultados_ind7["MUN"].astype(str)
#se une con mapa_mun
mapa_mun_ind7 = mapa_mun.merge(resultados_ind7, how='inner',on=['id'])
mapa_mun_ind7.head()
Out[33]:
gid id entidad municipio nombre padron lnominal geometry EDO NOMBRE_ESTADO ... Autocorr_LNE CP1 (ICE principal) CP2 (segundo ICE) CP3 (tercer ICE) CP4 CP5 CP6 CP7 TCE_municipal Atipicidad
0 26237 20246 20 246 SAN MATEO CAJONOS 442 434 POLYGON ((-96.20930 17.17679, -96.20832 17.176... 20 OAXACA ... 0.929680 0.672843 -0.649025 -0.680460 -0.053429 -0.403842 0.129748 0.528983 G1 Tipica
1 26008 1693 16 93 TIQUICHEO DE NICOLAS ROMERO 10078 9986 POLYGON ((-100.99616 19.35860, -100.99496 19.3... 16 MICHOACAN ... 0.911267 -0.918999 -0.145389 0.934514 -0.477477 -0.256412 0.206542 0.145292 G1 Tipica
2 26009 1694 16 94 TLALPUJAHUA 19592 19464 POLYGON ((-100.20480 19.86997, -100.20440 19.8... 16 MICHOACAN ... 0.987595 -0.544816 0.054620 1.021409 -0.245210 -0.623674 0.139644 0.221885 G1 Tipica
3 26010 1695 16 95 TLAZAZALCA 7961 7857 POLYGON ((-102.13541 20.10089, -102.13356 20.1... 16 MICHOACAN ... 0.986573 -0.641659 -0.093245 0.241625 -0.753764 -0.873486 0.241747 0.340679 G1 Tipica
4 26030 16103 16 103 URUAPAN 240661 239144 POLYGON ((-102.12733 19.62702, -102.12708 19.6... 16 MICHOACAN ... 0.995865 0.128755 1.707311 0.530208 0.143466 0.516620 1.197788 0.116559 G1 Atípica en segundo ICE

5 rows × 29 columns

In [35]:
#mapa tipología
base = mapa_edo.plot(facecolor="none", edgecolor='black')
mapa_mun_ind7.plot(ax=base,
                   color=mapa_mun_ind7['TCE_municipal'].apply(lambda x: colors[x]),
                   categorical=True,
                   edgecolor='white',
                   legend=True)
plt.savefig('Pyplotly_Mapa_Mun_TCE_ind7.png', dpi=400, bbox_inches='tight')
In [36]:
#mapa municipios atípicos
base = mapa_edo.plot(facecolor="none", edgecolor='black')
mapa_mun_ind7.plot(ax=base,
                   column='Atipicidad', 
                   categorical=True,
                   edgecolor='white',
                   legend=True)
plt.savefig('Pyplotly_Mapa_Mun_Ati_ind7.png', dpi=400, bbox_inches='tight')


Escenario 2: Mapas de TCE y atipicidad (7 indicadores, con transformación log en LNE y Densidad_LNE)

In [37]:
#se agrega una column id a resultados_ind7_tf
resultados_ind7_tf["id"] = resultados_ind7_tf["EDO"].astype(str) + resultados_ind7_tf["MUN"].astype(str)
#se une con mapa_mun
mapa_mun_ind7_tf = mapa_mun.merge(resultados_ind7_tf, how='inner',on=['id'])
mapa_mun_ind7_tf
Out[37]:
gid id entidad municipio nombre padron lnominal geometry EDO NOMBRE_ESTADO ... Autocorr_LNE CP1 (ICE principal) CP2 (segundo ICE) CP3 (tercer ICE) CP4 CP5 CP6 CP7 TCE_municipal Atipicidad
0 26237 20246 20 246 SAN MATEO CAJONOS 442 434 POLYGON ((-96.20930 17.17679, -96.20832 17.176... 20 OAXACA ... 0.929680 0.394713 -1.908439 -0.522982 -0.301210 0.469160 1.087860 0.545759 G2 Tipica
1 26008 1693 16 93 TIQUICHEO DE NICOLAS ROMERO 10078 9986 POLYGON ((-100.99616 19.35860, -100.99496 19.3... 16 MICHOACAN ... 0.911267 -0.827582 0.421444 1.409070 -1.180230 -0.010746 -0.552620 0.126968 G3 Tipica
2 26009 1694 16 94 TLALPUJAHUA 19592 19464 POLYGON ((-100.20480 19.86997, -100.20440 19.8... 16 MICHOACAN ... 0.987595 -0.461742 1.010252 0.254011 -0.377251 0.623931 -0.011420 0.212436 G3 Tipica
3 26010 1695 16 95 TLAZAZALCA 7961 7857 POLYGON ((-102.13541 20.10089, -102.13356 20.1... 16 MICHOACAN ... 0.986573 -0.682258 0.211941 -0.618728 -0.579590 0.941054 0.089707 0.333205 G3 Tipica
4 26030 16103 16 103 URUAPAN 240661 239144 POLYGON ((-102.12733 19.62702, -102.12708 19.6... 16 MICHOACAN ... 0.995865 0.456440 2.096458 -0.637441 0.272303 -0.156304 -0.867559 0.034614 G3 Tipica
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
2455 27582 3245 32 45 TEPECHITLAN 7061 6994 POLYGON ((-103.42536 21.72844, -103.42445 21.7... 32 ZACATECAS ... 0.959378 0.566375 -0.038837 1.137560 -0.402981 0.304617 0.000411 -0.066702 G3 Tipica
2456 27583 3214 32 14 GENERAL FRANCISCO R. MURGUIA 17495 17320 POLYGON ((-102.96496 24.45706, -102.95228 24.4... 32 ZACATECAS ... 0.984897 1.080969 1.300230 2.208190 -0.057168 -0.342807 0.496959 -0.236424 G1 Tipica
2457 27584 3244 32 44 TABASCO 12599 12526 POLYGON ((-102.94001 22.06462, -102.93933 22.0... 32 ZACATECAS ... 0.993335 1.911600 0.178614 0.950089 0.065079 -0.393423 0.058249 -0.192537 G2 Tipica
2458 27575 329 32 9 CHALCHIHUITES 8469 8392 POLYGON ((-103.89917 23.61221, -103.89756 23.6... 32 ZACATECAS ... 0.988608 0.851114 0.072100 -0.200368 0.061119 0.545074 0.389442 -0.072882 G3 Tipica
2459 27576 3211 32 11 TRINIDAD GARCIA DE LA CADENA 2852 2821 POLYGON ((-103.43911 21.32618, -103.43782 21.3... 32 ZACATECAS ... 0.960965 2.898677 -2.089888 1.224056 0.281973 0.117065 -0.394883 -0.152423 G2 Tipica

2460 rows × 29 columns

In [38]:
mapa_mun_ind7_tf.id.nunique()
Out[38]:
2457
In [39]:
#mapa tipología
base = mapa_edo.plot(facecolor="none", edgecolor='black')
mapa_mun_ind7_tf.plot(ax=base,
                   color=mapa_mun_ind7_tf['TCE_municipal'].apply(lambda x: colors[x]),
                   categorical=True,
                   edgecolor='white',
                   legend=True)
plt.savefig('Pyplotly_Mapa_Mun_TCE_ind7_tf.png', dpi=400, bbox_inches='tight')
In [40]:
#mapa municipios atípicos
base = mapa_edo.plot(facecolor="none", edgecolor='black')
mapa_mun_ind7_tf.plot(ax=base,
                   column='Atipicidad', 
                   categorical=True,
                   edgecolor='white',
                   legend=True)
plt.savefig('Pyplotly_Mapa_Mun_Ati_ind7_tf.png', dpi=400, bbox_inches='tight')


Escenario 3: Mapas de TCE y atipicidad (8 indicadores)

In [41]:
#se agrega una column id a resultados_ind8
resultados_ind8["id"] = resultados_ind8["EDO"].astype(str) + resultados_ind8["MUN"].astype(str)
#se une con mapa_mun
mapa_mun_ind8 = mapa_mun.merge(resultados_ind8, how='inner',on=['id'])
mapa_mun_ind8.head()
Out[41]:
gid id entidad municipio nombre padron lnominal geometry EDO NOMBRE_ESTADO ... CP1 (ICE principal) CP2 (segundo ICE) CP3 (tercer ICE) CP4 CP5 CP6 CP7 CP8 TCE_municipal Atipicidad
0 26237 20246 20 246 SAN MATEO CAJONOS 442 434 POLYGON ((-96.20930 17.17679, -96.20832 17.176... 20 OAXACA ... 0.885475 -0.623478 0.565450 -0.182090 0.420081 0.057839 0.580609 -0.023896 G2 Tipica
1 26008 1693 16 93 TIQUICHEO DE NICOLAS ROMERO 10078 9986 POLYGON ((-100.99616 19.35860, -100.99496 19.3... 16 MICHOACAN ... -1.382016 -0.159336 -0.905808 -0.402233 0.100490 0.157929 0.202828 0.026815 G1 Tipica
2 26009 1694 16 94 TLALPUJAHUA 19592 19464 POLYGON ((-100.20480 19.86997, -100.20440 19.8... 16 MICHOACAN ... -1.086294 0.069462 -1.048926 -0.240565 0.521354 0.048467 0.311244 0.029833 G1 Tipica
3 26010 1695 16 95 TLAZAZALCA 7961 7857 POLYGON ((-102.13541 20.10089, -102.13356 20.1... 16 MICHOACAN ... -1.179780 -0.092692 -0.323507 -0.831047 0.745179 0.112123 0.471792 -0.000325 G1 Tipica
4 26030 16103 16 103 URUAPAN 240661 239144 POLYGON ((-102.12733 19.62702, -102.12708 19.6... 16 MICHOACAN ... 0.081443 1.714451 -0.441084 0.250855 -0.447659 1.239740 0.136290 -0.021474 G1 Atípica en segundo ICE

5 rows × 30 columns

In [42]:
#mapa tipología
base = mapa_edo.plot(facecolor="none", edgecolor='black')
mapa_mun_ind8.plot(ax=base,
                    color=mapa_mun_ind8['TCE_municipal'].apply(lambda x: colors[x]),
                    categorical=True,
                    edgecolor='white',
                    legend=True)
plt.savefig('Pyplotly_Mapa_Mun_TCE_ind8.png', dpi=400, bbox_inches='tight')
In [43]:
#mapa municipios atípicos
base = mapa_edo.plot(facecolor="none", edgecolor='black')
mapa_mun_ind8.plot(ax=base,
                   column='Atipicidad', 
                   categorical=True,
                   edgecolor='white',
                   legend=True)
plt.savefig('Pyplotly_Mapa_Mun_Ati_ind8.png', dpi=400, bbox_inches='tight')


Escenario 4: Mapas de TCE y atipicidad (8 indicadores, con previa transformación log en LNE y Densidad_LNE)

In [44]:
#se agrega una column id a resultados_ind8
resultados_ind8_tf["id"] = resultados_ind8_tf["EDO"].astype(str) + resultados_ind8_tf["MUN"].astype(str)
#se une con mapa_mun
mapa_mun_ind8_tf = mapa_mun.merge(resultados_ind8_tf, how='inner',on=['id'])
mapa_mun_ind8_tf.head()
Out[44]:
gid id entidad municipio nombre padron lnominal geometry EDO NOMBRE_ESTADO ... CP1 (ICE principal) CP2 (segundo ICE) CP3 (tercer ICE) CP4 CP5 CP6 CP7 CP8 TCE_municipal Atipicidad
0 26237 20246 20 246 SAN MATEO CAJONOS 442 434 POLYGON ((-96.20930 17.17679, -96.20832 17.176... 20 OAXACA ... 0.870239 -1.785939 -0.446299 -0.498344 0.398218 1.080355 0.619802 -0.053381 G1 Tipica
1 26008 1693 16 93 TIQUICHEO DE NICOLAS ROMERO 10078 9986 POLYGON ((-100.99616 19.35860, -100.99496 19.3... 16 MICHOACAN ... -1.368652 0.305900 1.425000 -1.004334 -0.349177 -0.554747 0.154593 0.030138 G3 Tipica
2 26009 1694 16 94 TLALPUJAHUA 19592 19464 POLYGON ((-100.20480 19.86997, -100.20440 19.8... 16 MICHOACAN ... -1.107692 0.946496 0.265737 -0.442513 0.497076 -0.018957 0.302315 0.032862 G1 Tipica
3 26010 1695 16 95 TLAZAZALCA 7961 7857 POLYGON ((-102.13541 20.10089, -102.13356 20.1... 16 MICHOACAN ... -1.209702 0.124730 -0.576954 -0.765417 0.780546 0.078315 0.471708 -0.001835 G1 Tipica
4 26030 16103 16 103 URUAPAN 240661 239144 POLYGON ((-102.12733 19.62702, -102.12708 19.6... 16 MICHOACAN ... 0.144048 2.121118 -0.684409 0.337463 -0.145789 -0.866137 0.007712 0.004378 G1 Tipica

5 rows × 30 columns

In [45]:
#mapa tipología
base = mapa_edo.plot(facecolor="none", edgecolor='black')
mapa_mun_ind8_tf.plot(ax=base,
                    color=mapa_mun_ind8_tf['TCE_municipal'].apply(lambda x: colors[x]),
                    categorical=True,
                    edgecolor='white',
                    legend=True)
plt.savefig('Pyplotly_Mapa_Mun_TCE_ind8_tf.png', dpi=400, bbox_inches='tight')
In [46]:
#mapa municipios atípicos
base = mapa_edo.plot(facecolor="none", edgecolor='black')
mapa_mun_ind8_tf.plot(ax=base,
                   column='Atipicidad', 
                   categorical=True,
                   edgecolor='white',
                   legend=True)
plt.savefig('Pyplotly_Mapa_Mun_Ati_ind8_tf.png', dpi=400, bbox_inches='tight')


Mapas con plotly

Escenario 1

In [47]:
#mapa de TCE (demasiado pesado el archivo para visualizar en explorador)
# eti=['NOMBRE_ESTADO','NUM_SECC_RUR', 'LNE', 'Densidad_LNE', 'Razon_LNE_PE', 'TC_LNE_2019', 'Coef_Var_LNE', 'Autocorr_LNE', 'CP1 (ICE principal)', 'CP2 (segundo ICE)', 'CP3 (tercer ICE)', 'TCE_municipal', 'Atipicidad']
# fig = px.choropleth(resultados_ind7, geojson=municipios_s, 
#                     locations='id', featureidkey="properties.id",
#                     color='TCE_municipal',
#                     color_discrete_map={
#                   'G0':'blue',
#                   'G1':'green',
#                   'G2': 'orange',
#                   'G3': 'grey',
#                   'G4': 'red',
#                   'G5': 'magenta'},
#                     hover_name='NOMBRE_MUNICIPIO',
#                     hover_data = eti,
#                     title = 'TCE municipal (7 indicadores)')
# fig.update_geos(fitbounds="locations",
#                 visible=False,
#                 showcountries=True, 
#                 countrycolor="Black", showsubunits=True, 
#                 subunitcolor="Blue")
# #fig.show()
# fig.write_html("C:/Users/miguel.alvarez/Google Drive/INFOTEC/Proyecto/Code-Data/Mun/4_Resumen-Mapas/Pyplotly_Mapa_Mun_ind7.html")

Escenario 2

In [48]:
#mapa de TCE
# eti=['NOMBRE_ESTADO','NUM_SECC_RUR', 'LNE', 'Densidad_LNE', 'Razon_LNE_PE', 'TC_LNE_2019', 'Coef_Var_LNE', 'Autocorr_LNE', 'CP1 (ICE principal)', 'CP2 (segundo ICE)', 'CP3 (tercer ICE)', 'TCE_municipal', 'Atipicidad']
# fig = px.choropleth(resultados_ind7_tf, geojson=municipios_s, 
#                     locations='id', featureidkey="properties.id",
#                     color='TCE_municipal',
#                     color_discrete_map={
#                   'G0':'blue',
#                   'G1':'green',
#                   'G2': 'orange',
#                   'G3': 'grey',
#                   'G4': 'red',
#                   'G5': 'magenta'},
#                     hover_name='NOMBRE_MUNICIPIO',
#                     hover_data = eti,
#                     title = 'TCE municipal (7 indicadores, con transformación log en LNE y Densidad_LNE)')
# fig.update_geos(fitbounds="locations",
#                 visible=False,
#                 showcountries=True, 
#                 countrycolor="Black", showsubunits=True, 
#                 subunitcolor="Blue")
# #fig.show()
# fig.write_html("C:/Users/miguel.alvarez/Google Drive/INFOTEC/Proyecto/Code-Data/Mun/4_Resumen-Mapas/Pyplotly_Mapa_Mun_ind7_tf.html")
In [49]:
# #mapa de atipicidad
# eti=['NOMBRE_ESTADO','NUM_SECC_RUR', 'LNE', 'Densidad_LNE', 'Razon_LNE_PE', 'TC_LNE_2019', 'Coef_Var_LNE','Autocorr_LNE', 'CP1 (ICE principal)', 'CP2 (segundo ICE)', 'CP3 (tercer ICE)', 'TCE_municipal', 'Atipicidad']
# fig = px.choropleth(resultados_ind7_tf, geojson=municipios_s, 
#                     locations='id', featureidkey="properties.id",
#                     color='Atipicidad',
#                     color_discrete_sequence= px.colors.sequential.Reds,
#                     hover_name='NOMBRE_MUNICIPIO',
#                     hover_data = eti,
#                     title = 'Mapa municipios atípicos (7 indicadores, con transformación log en LNE y Densidad_LNE)')
# fig.update_geos(fitbounds="locations",
#                 visible=True,
#                 showcountries=True, 
#                 countrycolor="Black", 
#                 showsubunits=True, 
#                 subunitcolor="Blue")
# #fig.show()
# fig.write_html("C:/Users/miguel.alvarez/Google Drive/INFOTEC/Proyecto/Code-Data/Mun/4_Resumen-Mapas/Pyplotly_Mapa_Mun_Atip_ind7_tf.html")

Escenario 3

In [50]:
# #mapa de TCE
# eti=['NOMBRE_ESTADO','NUM_SECC_RUR', 'LNE', 'Densidad_LNE', 'Razon_LNE_PE', 'TC_LNE_2019', 'Coef_Var_LNE', 'Var_Prop_LNE', 'Autocorr_LNE', 'CP1 (ICE principal)', 'CP2 (segundo ICE)', 'CP3 (tercer ICE)', 'TCE_municipal', 'Atipicidad']
# fig = px.choropleth(resultados_ind8, geojson=municipios_s, 
#                     locations='id', featureidkey="properties.id",
#                     color='TCE_municipal',
#                     color_discrete_map={
#                   'G0':'blue',
#                   'G1':'green',
#                   'G2': 'orange',
#                   'G3': 'grey',
#                   'G4': 'red',
#                   'G5': 'magenta'},
#                     hover_name='NOMBRE_MUNICIPIO',
#                     hover_data = eti,
#                     title = 'TCE municipal (8 indicadores)')
# fig.update_geos(fitbounds="locations",
#                 visible=False,
#                 showcountries=True, 
#                 countrycolor="Black", showsubunits=True, 
#                 subunitcolor="Blue")
# #fig.show()
# fig.write_html("C:/Users/miguel.alvarez/Google Drive/INFOTEC/Proyecto/Code-Data/Mun/4_Resumen-Mapas/Pyplotly_Mapa_Mun_ind8.html")

Escenario 4

In [51]:
# #mapa de TCE
# eti=['NOMBRE_ESTADO','NUM_SECC_RUR', 'LNE', 'Densidad_LNE', 'Razon_LNE_PE', 'TC_LNE_2019', 'Coef_Var_LNE', 'Var_Prop_LNE', 'Autocorr_LNE', 'CP1 (ICE principal)', 'CP2 (segundo ICE)', 'CP3 (tercer ICE)', 'TCE_municipal', 'Atipicidad']
# fig = px.choropleth(resultados_ind8_tf, geojson=municipios_s, 
#                     locations='id', featureidkey="properties.id",
#                     color='TCE_municipal',
#                     color_discrete_map={
#                   'G0':'blue',
#                   'G1':'green',
#                   'G2': 'orange',
#                   'G3': 'grey',
#                   'G4': 'red',
#                   'G5': 'magenta'},
#                     hover_name='NOMBRE_MUNICIPIO',
#                     hover_data = eti,
#                     title = 'TCE municipal (8 indicadores, con transformación log en LNE y Densidad_LNE)')
# fig.update_geos(fitbounds="locations",
#                 visible=False,
#                 showcountries=True, 
#                 countrycolor="Black", showsubunits=True, 
#                 subunitcolor="Blue")
# #fig.show()
# fig.write_html("C:/Users/miguel.alvarez/Google Drive/INFOTEC/Proyecto/Code-Data/Mun/4_Resumen-Mapas/Pyplotly_Mapa_Mun_ind8_tf.html")
In [52]:
# #mapa de atipicidad
# eti=['NOMBRE_ESTADO','NUM_SECC_RUR', 'LNE', 'Densidad_LNE', 'Razon_LNE_PE', 'TC_LNE_2019', 'Coef_Var_LNE', 'Var_Prop_LNE', 'Autocorr_LNE', 'CP1 (ICE principal)', 'CP2 (segundo ICE)', 'CP3 (tercer ICE)', 'TCE_municipal', 'Atipicidad']
# fig = px.choropleth(resultados_ind8_tf, geojson=municipios_s, 
#                     locations='id', featureidkey="properties.id",
#                     color='Atipicidad',
#                     color_discrete_sequence= px.colors.sequential.Reds,
#                     hover_name='NOMBRE_MUNICIPIO',
#                     hover_data = eti,
#                     title = 'Mapa municipios atípicos (8 indicadores, con transformación log en LNE y Densidad_LNE)')
# fig.update_geos(fitbounds="locations",
#                 visible=False,
#                 showcountries=True, 
#                 countrycolor="Black", 
#                 showsubunits=True, 
#                 subunitcolor="Blue")
# #fig.show()
# fig.write_html("C:/Users/miguel.alvarez/Google Drive/INFOTEC/Proyecto/Code-Data/Mun/4_Resumen-Mapas/Pyplotly_Mapa_Mun_Atip_ind8_tf.html")